Waymo in vzpon "svetovnih modelov" za vožnjo: kaj spremeni simulator v slogu Genieja

Samovozeči sistemi živijo in umirajo zaradi enega samega vprašanja:Kaj se zgodi potem?

Senzorji avtonomnemu vozilu sporočajo, kako je svet trenutno videti – posnetki kamer, oblaki točk lidarja, radarski odsevi, meritve GPS in IMU. Varna vožnja pa je predvidevanje: napovedovanje, kako se bodo gibali pešci, ali se bo kolesar vključil v vozni pas, kako bo avtomobil zanesel čez črto voznega pasu in kaj bi lahko razkrilo zaprto križišče.

Tam se je rodila ideja osvetovni modelpride na vrsto. Model sveta je naučena predstavitev »kako svet deluje«, ki jo je mogoče časovno premikati naprej: glede na trenutni prizor in dejanje lahko ustvari verjetne prihodnje prizore. V robotiki in avtonomiji so sanje imeti model, ki lahko dovolj dobro simulira resničnost, da bi usposobil in potrdil politike, še preden se te dotaknejo javnih cest.

Poročila, da Waymo izkoriščaDuh 3–stilski pristop k ustvarjanju svetovnega modela vožnje je velik problem – ne zato, ker bi čarobno rešil avtonomijo, ampak zato, ker bi nakazoval premik v tem, kar industrija smatra za ozko grlo.

Avtonomija vožnje je dva problema: zaznavanje in napovedovanje

Zgodnji pogovori o avtonomni vožnji so se osredotočali na zaznavanje: »Ali avto lahko vidi?« To vključuje zaznavanje predmetov, njihovo razvrščanje, ocenjevanje njihovega položaja in hitrosti ter njihovo sledenje skozi čas.

Danes je meja vse bolj napovedovanje in načrtovanje:

Napovednapovedovanje prihodnjih trajektorij drugih dejavnikov (avtomobilov, koles, pešcev).
Načrtovanje: izbira lastne poti vozila, ki bo varna, zakonita in udobna.

Napake v zaznavanju so še vedno pomembne, vendar vam niti popolno zaznavanje ne daje gotovosti o nameri. Pešec na robniku lahko stopi ven. Voznik lahko prevozi rdečo luč. Kolesar se lahko omaja.

Svetovni model si prizadeva zakodirati te negotovosti, da lahko načrtovalec o njih razmišlja.

Kaj je »svetovni model« v smislu strojnega učenja?

V strojnem učenju je model sveta običajno generativni model, usposobljen na velikih količinah izkušenj. Lahko:

Predstavljajo latentno stanje okolja.
Predvidite, kako se bo država razvijala.
Ustvarite opažanja, ki so skladna s tem razvojem.

Za vožnjo so opazovanja večmodalna: slike, lidar, zemljevidi in semantične oznake.

Osnovna vrednost je, da lahko, ko ste enkrat usposobljenivzorčne terminske pogodbein odločitve o stresnih testih. Namesto da bi vprašali »katera je edina predvidena pot«, se sprašujete »katere so verjetne poti in katere so nevarne?«.

Zakaj je simulacija osrednjega pomena (in zakaj je tako težka)

Waymo in drugi se že močno zanašajo na simulacijo. Težava je v natančnosti.

Tradicionalni simulatorji so zgrajeni iz:

Ročno napisana fizika in dinamika vozil.
Sredstva prizorišča (ceste, stavbe, semaforji).
Scenaristični "igralci", ki upoštevajo pravila.

To je odlično za številne teste, toda dolgi rep realnosti je brutalen: nenavadno vedenje pešcev, nenavadna osvetlitev, gradbišča, redka signalizacija, lokalna kultura vožnje, vremenske razmere na robu, napake senzorjev in milijon subtilnih interakcij, ki se nikoli ne pojavijo v urejenem naboru pravil.

Model naučenega sveta je privlačen, ker lahko zajame neurejene porazdelitve neposredno iz podatkov. Če imate dovolj dejanskih dnevnikov vožnje, lahko model naučite ustvarjati prizore, ki se »občutekujejo« kot cesta – vključno s čudnostmi.

Vendar pa »občutek resničnega« ni dovolj za varnost. Vožnja je kontradiktorna: če vaš model zgreši celo majhen nabor redkih, a smrtonosnih scenarijev, lahko sistem še vedno odpove.

Kaj predlaga pristop v slogu Genieja

Sistem v slogu Genieja (kot je bilo opisano) implicira model, ki lahko ustvari verjetne prihodnje okvire, pogojene z dejanji in kontekstom.

Če Waymo lahko ustvari visokokakovostne »naslednje okvirje« za kompleksne urbane prizore, lahko potencialno:

Ustvariprotidejstva„Kaj če bi prej upočasnili?“ „Kaj če bi zavili v levo vrzel?“
Povečanjepokritost redkih dogodkov: prekomerno vzorčenje nenavadnih situacij za usposabljanje.
Izboljšajtrening v zaprti zanki: usposobiti politiko znotraj simuliranega sveta, ne le na zabeleženih podatkih.

To je korak dlje od »ponovnega predvajanja posnetih dnevnikov«. To je kot prehod z gledanja videoposnetkov vožnje na peskovnik, kjer se peskovnik sam obnaša kot mesto.

Varnostna zanka: napake modela se seštevajo

Obstaja razlog, zakaj so varnostne ekipe previdne glede naučenih simulatorjev: majhne napake se sčasoma kopičijo.

Če se svetovni model nekoliko moti glede:

Kako pešci pospešujejo,
Kako se avtomobili odzivajo na zaviranje,
Kako se senzorji obnašajo pod bleščanjem,

potem se lahko simulirano uvajanje po nekaj sekundah oddalji od realnosti. To lahko ustvari učne signale, ki optimizirajo posebnosti simulatorja in ne resničnega sveta – težava, ki se včasih imenujevrzel med simulacijo in realnostjo.

Sodobni pristopi to omilijo z:

Kratkoročne uvedbe v kombinaciji z dejanskimi dnevniki.
Randomizacija domen (dodajanje šuma in variacij).
Validacija glede na zadržane resnične scenarije.
Varnostne omejitve, ki se ne zanašajo zgolj na naučene napovedi.

Svetovni model je lahko neverjetno uporaben, tudi če ni »popolna resničnost«, če le veste, kje je zanesljiv in kje ne.

Svetovni modeli in zemljevidi: struktura pod piksli

Samovozeči avtomobil se ne odziva le na slike. Zanaša se tudi na strukturo:

HD-zemljevidi (geometrija voznih pasov, naprave za nadzor prometa).
Lokalizacija (kje sem na zemljevidu?).
Komponente, podobne SLAM-u, v nekaterih sistemih (zlasti zunaj preslikanih območij).

Močan model sveta mora to strukturo integrirati. Sicer postane domiseln video generator, ki ne more vzdrževati dosledne geometrije.

Zato se modeli sveta avtonomije pogosto prepletajo:

Naučene značilnosti zaznavanja,
Eksplicitne geometrijske omejitve,
Predhodni zemljevidi,
Predstavitve, ki temeljijo na agentih (drugi udeleženci v prometu kot entitete z nameni).

Najboljši sistemi so hibridni: uporabljajo učenje tam, kjer so podatki bogati, in pravila tam, kjer so omejitve stroge.

Kaj se spremeni pri razvoju izdelkov

Najbolj praktičen vpliv dobrega svetovnega modela jeinženirska hitrost.

Danes izboljšanje sistema za avtonomno vožnjo pogosto zahteva:

Iskanje resničnih napak (odklopi, skorajšnji zgrešeni primeri).
Dodajanje podatkov in oznak.
Napovedovanje/načrtovanje uglaševanja.
Ponovno preverjanje v ogromnih paketih scenarijev.

Če lahko svetovni model ustvari realistične različice odpovedi, lahko inženirji hitreje izvajajo iteracije. Pomaga lahko tudi pri odgovorih na vprašanja, kot so:

"Ali je to vedenje varno v celotni distribuciji ali je bilo v enem dnevniku srečno?"
"Kako občutljiv je sistem na oklevanje pešcev?"
"Kakšen je najslabši možni izid, če se drug voznik obnaša agresivno?"

Hitrejša iteracija ni zagotovilo za varnost, lahko pa izboljša povratno zanko.

Velika odprta vprašanja

Tudi če je svetovni model odličen, obstajajo trdne omejitve:

OdgovornostAli lahko pojasnite, zakaj je sistem napovedal določeno prihodnost?
ValidacijaKako certificirate naučeni simulator kot reprezentativen?
Robni primeriKako zagotovite, da so zajeti redki, a kritični scenariji?
Trdnost politikAli se politika, usposobljena v modelu, v resnici obnaša varno?

Tukaj pridejo na vrsto regulatorji in varnostni argumenti. Avtonomna vozila bodo potrebovala argumente, ki bodo metode usposabljanja in testiranja povezali s tveganjem v resničnem svetu.

Bistvo

Visoko zvest model sveta je močno orodje za avtonomijo, saj vožnjo iz »učenja le iz tega, kar se je zgodilo« spremeni v »učenja iz tega, kar se lahko zgodi«. Če lahko Waymo uporabi sistem v slogu Genie 3 za ustvarjanje realističnih prihodnjih cestnih prizorov, bi lahko pospešil usposabljanje, testiranje scenarijev in ocenjevanje varnosti – vendar ostaja težki del dokazovanje, da je simulirani svet dovolj zvest, da se izboljšave prenesejo na resnične ulice.

Viri

Document Title
Waymo and the rise of “world models” for driving: what a Genie-style simulator changes	Waymo in vzpon "svetovnih modelov" za vožnjo: kaj spremeni simulator v slogu Genieja

Waymo is reportedly using a Genie 3-style system to build a world model for autonomous driving. Here’s what world models are, why simulation matters, and the remaining safety gaps.	Waymo naj bi uporabljal sistem, podoben Genie 3, za izgradnjo svetovnega modela za avtonomno vožnjo. Tukaj je opisano, kaj so svetovni modeli, zakaj je simulacija pomembna in kakšne so preostale varnostne vrzeli.
Title Attribute
oEmbed (JSON)
oEmbed (XML)
JSON
View all posts by Abdul Jabbar	Oglejte si vse objave avtorja Abdul Jabbar
Sixteen AI agents built a C compiler together — why that matters (and what it doesn't mean yet)	Šestnajst agentov umetne inteligence je skupaj zgradilo prevajalnik C – zakaj je to pomembno (in kaj to še ne pomeni)
Page Content
Waymo and the rise of “world models” for driving: what a Genie-style simulator changes	Waymo in vzpon "svetovnih modelov" za vožnjo: kaj spremeni simulator v slogu Genieja
Blog
/
General
/ By
Abdul Jabbar
Self-driving systems live and die by one question:	Samovozeči sistemi živijo in umirajo zaradi enega samega vprašanja:
what happens next?
Sensors tell an autonomous vehicle what the world looks like right now — camera frames, lidar point clouds, radar reflections, GPS and IMU measurements. But safe driving is anticipation: predicting how pedestrians might move, whether a cyclist will merge, how a car might drift over a lane line, and what an occluded intersection might reveal.	Senzorji avtonomnemu vozilu sporočajo, kako je svet trenutno videti – posnetki kamer, oblaki točk lidarja, radarski odsevi, meritve GPS in IMU. Varna vožnja pa je predvidevanje: napovedovanje, kako se bodo gibali pešci, ali se bo kolesar vključil v vozni pas, kako bo avtomobil zanesel čez črto voznega pasu in kaj bi lahko razkrilo zaprto križišče.
That’s where the idea of a
world model
comes in. A world model is a learned representation of “how the world works” that can be rolled forward in time: given the current scene and an action, it can generate plausible future scenes. In robotics and autonomy, the dream is to have a model that can simulate reality well enough to train and validate policies before they ever touch public roads.	pride na vrsto. Model sveta je naučena predstavitev »kako svet deluje«, ki jo je mogoče časovno premikati naprej: glede na trenutni prizor in dejanje lahko ustvari verjetne prihodnje prizore. V robotiki in avtonomiji so sanje imeti model, ki lahko dovolj dobro simulira resničnost, da bi usposobil in potrdil politike, še preden se te dotaknejo javnih cest.
Reports that Waymo is leveraging a	Poročila, da Waymo izkorišča
Genie 3
–style approach to create a world model for driving are a big deal — not because it magically solves autonomy, but because it signals a shift in what the industry thinks is the bottleneck.	–stilski pristop k ustvarjanju svetovnega modela vožnje je velik problem – ne zato, ker bi čarobno rešil avtonomijo, ampak zato, ker bi nakazoval premik v tem, kar industrija smatra za ozko grlo.
Driving autonomy is two problems: perception and prediction	Avtonomija vožnje je dva problema: zaznavanje in napovedovanje
Early conversations about self-driving focused on perception: “Can the car see?” That includes detecting objects, classifying them, estimating their position and velocity, and tracking them over time.	Zgodnji pogovori o avtonomni vožnji so se osredotočali na zaznavanje: »Ali avto lahko vidi?« To vključuje zaznavanje predmetov, njihovo razvrščanje, ocenjevanje njihovega položaja in hitrosti ter njihovo sledenje skozi čas.
Today, the frontier is increasingly prediction and planning:	Danes je meja vse bolj napovedovanje in načrtovanje:
Prediction
: forecasting the future trajectories of other agents (cars, bikes, pedestrians).	napovedovanje prihodnjih trajektorij drugih dejavnikov (avtomobilov, koles, pešcev).
Planning
: choosing the vehicle’s own trajectory to be safe, legal, and comfortable.	: izbira lastne poti vozila, ki bo varna, zakonita in udobna.
Perception errors are still important, but even perfect perception doesn’t give you certainty about intent. A pedestrian at a curb might step out. A driver might run a red light. A cyclist might wobble.	Napake v zaznavanju so še vedno pomembne, vendar vam niti popolno zaznavanje ne daje gotovosti o nameri. Pešec na robniku lahko stopi ven. Voznik lahko prevozi rdečo luč. Kolesar se lahko omaja.
A world model aims to encode those uncertainties so the planner can reason about them.	Svetovni model si prizadeva zakodirati te negotovosti, da lahko načrtovalec o njih razmišlja.
What is a “world model” in ML terms?	Kaj je »svetovni model« v smislu strojnega učenja?
In machine learning, a world model is typically a generative model trained on large volumes of experience. It can:	V strojnem učenju je model sveta običajno generativni model, usposobljen na velikih količinah izkušenj. Lahko:
Represent the latent state of the environment.	Predstavljajo latentno stanje okolja.
Predict how the state evolves.	Predvidite, kako se bo država razvijala.
Generate observations consistent with that evolution.	Ustvarite opažanja, ki so skladna s tem razvojem.
For driving, the observations are multi-modal: images, lidar, maps, and semantic labels.	Za vožnjo so opazovanja večmodalna: slike, lidar, zemljevidi in semantične oznake.
The core value is that, once trained, you can	Osnovna vrednost je, da lahko, ko ste enkrat usposobljeni
sample futures
and stress-test decisions. Instead of asking “what is the one predicted path,” you ask “what are the plausible paths, and which ones are dangerous?”	in odločitve o stresnih testih. Namesto da bi vprašali »katera je edina predvidena pot«, se sprašujete »katere so verjetne poti in katere so nevarne?«.
Why simulation is central (and why it’s so hard)	Zakaj je simulacija osrednjega pomena (in zakaj je tako težka)
Waymo and others already rely heavily on simulation. The problem is fidelity.	Waymo in drugi se že močno zanašajo na simulacijo. Težava je v natančnosti.
Traditional simulators are built from:	Tradicionalni simulatorji so zgrajeni iz:
Hand-authored physics and vehicle dynamics.	Ročno napisana fizika in dinamika vozil.
Scene assets (roads, buildings, traffic lights).	Sredstva prizorišča (ceste, stavbe, semaforji).
Scripted “actors” that follow rules.	Scenaristični "igralci", ki upoštevajo pravila.
These are great for many tests, but the long tail of reality is brutal: odd pedestrian behavior, unusual lighting, construction zones, rare signage, local driving cultures, weather edge cases, sensor glitches, and the million subtle interactions that never show up in a tidy rule set.	To je odlično za številne teste, toda dolgi rep realnosti je brutalen: nenavadno vedenje pešcev, nenavadna osvetlitev, gradbišča, redka signalizacija, lokalna kultura vožnje, vremenske razmere na robu, napake senzorjev in milijon subtilnih interakcij, ki se nikoli ne pojavijo v urejenem naboru pravil.
A learned world model is attractive because it can capture messy distributions directly from data. If you have enough real driving logs, you can train a model to generate scenes that “feel” like the road — including the weirdness.	Model naučenega sveta je privlačen, ker lahko zajame neurejene porazdelitve neposredno iz podatkov. Če imate dovolj dejanskih dnevnikov vožnje, lahko model naučite ustvarjati prizore, ki se »občutekujejo« kot cesta – vključno s čudnostmi.
But “feels real” is not enough for safety. Driving is adversarial: if your model misses even a small set of rare but deadly scenarios, the system can still fail.	Vendar pa »občutek resničnega« ni dovolj za varnost. Vožnja je kontradiktorna: če vaš model zgreši celo majhen nabor redkih, a smrtonosnih scenarijev, lahko sistem še vedno odpove.
What a Genie-style approach suggests	Kaj predlaga pristop v slogu Genieja
A Genie-style system (as reported) implies a model that can generate plausible future frames conditioned on actions and context.	Sistem v slogu Genieja (kot je bilo opisano) implicira model, ki lahko ustvari verjetne prihodnje okvire, pogojene z dejanji in kontekstom.
If Waymo can generate high-fidelity “next frames” for complex urban scenes, it can potentially:	Če Waymo lahko ustvari visokokakovostne »naslednje okvirje« za kompleksne urbane prizore, lahko potencialno:
Create
counterfactuals
: “What if we had slowed earlier?” “What if we took the left gap?”	„Kaj če bi prej upočasnili?“ „Kaj če bi zavili v levo vrzel?“
Increase
rare-event coverage
: oversample uncommon situations for training.	: prekomerno vzorčenje nenavadnih situacij za usposabljanje.
Improve
closed-loop training
: train a policy inside the simulated world, not just on logged data.	: usposobiti politiko znotraj simuliranega sveta, ne le na zabeleženih podatkih.
This is a step beyond “replaying recorded logs.” It’s like moving from watching driving videos to having a sandbox where the sandbox itself behaves like a city.	To je korak dlje od »ponovnega predvajanja posnetih dnevnikov«. To je kot prehod z gledanja videoposnetkov vožnje na peskovnik, kjer se peskovnik sam obnaša kot mesto.
The safety catch: model errors compound	Varnostna zanka: napake modela se seštevajo
There’s a reason safety teams are cautious about learned simulators: small errors compound over time.	Obstaja razlog, zakaj so varnostne ekipe previdne glede naučenih simulatorjev: majhne napake se sčasoma kopičijo.
If a world model is slightly wrong about:	Če se svetovni model nekoliko moti glede:
How pedestrians accelerate,
How cars respond to braking,	Kako se avtomobili odzivajo na zaviranje,
How sensors behave under glare,	Kako se senzorji obnašajo pod bleščanjem,
then a simulated rollout can drift away from reality after a few seconds. That can produce training signals that optimize for the simulator’s quirks rather than the real world — a problem sometimes called	potem se lahko simulirano uvajanje po nekaj sekundah oddalji od realnosti. To lahko ustvari učne signale, ki optimizirajo posebnosti simulatorja in ne resničnega sveta – težava, ki se včasih imenuje
sim-to-real gap	vrzel med simulacijo in realnostjo
.
Modern approaches mitigate this with:
Short-horizon rollouts combined with real logs.	Kratkoročne uvedbe v kombinaciji z dejanskimi dnevniki.
Domain randomization (adding noise and variation).	Randomizacija domen (dodajanje šuma in variacij).
Validation against held-out real scenarios.	Validacija glede na zadržane resnične scenarije.
Safety constraints that don’t rely purely on learned predictions.	Varnostne omejitve, ki se ne zanašajo zgolj na naučene napovedi.
A world model can be incredibly useful even if it’s not “perfect reality,” as long as you know where it’s reliable and where it’s not.	Svetovni model je lahko neverjetno uporaben, tudi če ni »popolna resničnost«, če le veste, kje je zanesljiv in kje ne.
World models and maps: the structure under the pixels	Svetovni modeli in zemljevidi: struktura pod piksli
A self-driving car isn’t only reacting to images. It also relies on structure:	Samovozeči avtomobil se ne odziva le na slike. Zanaša se tudi na strukturo:
HD maps (lane geometry, traffic control devices).	HD-zemljevidi (geometrija voznih pasov, naprave za nadzor prometa).
Localization (where am I on the map?).	Lokalizacija (kje sem na zemljevidu?).
SLAM-like components in some systems (especially outside mapped regions).	Komponente, podobne SLAM-u, v nekaterih sistemih (zlasti zunaj preslikanih območij).
A strong world model has to integrate that structure. Otherwise it becomes a fancy video generator that can’t maintain consistent geometry.	Močan model sveta mora to strukturo integrirati. Sicer postane domiseln video generator, ki ne more vzdrževati dosledne geometrije.
This is why autonomy world models often blend:	Zato se modeli sveta avtonomije pogosto prepletajo:
Learned perception features,	Naučene značilnosti zaznavanja,
Explicit geometry constraints,	Eksplicitne geometrijske omejitve,
Map priors,
Agent-based representations (other road users as entities with intentions).	Predstavitve, ki temeljijo na agentih (drugi udeleženci v prometu kot entitete z nameni).
The best systems are hybrid: they use learning where data is rich and rules where constraints are strict.	Najboljši sistemi so hibridni: uporabljajo učenje tam, kjer so podatki bogati, in pravila tam, kjer so omejitve stroge.
What changes for product development	Kaj se spremeni pri razvoju izdelkov
The most practical impact of a good world model is	Najbolj praktičen vpliv dobrega svetovnega modela je
engineering velocity
Today, improving an autonomous driving stack often requires:	Danes izboljšanje sistema za avtonomno vožnjo pogosto zahteva:
Finding real-world failures (disengagements, near misses).	Iskanje resničnih napak (odklopi, skorajšnji zgrešeni primeri).
Adding data and labels.
Tuning prediction/planning.	Napovedovanje/načrtovanje uglaševanja.
Revalidating across huge scenario suites.	Ponovno preverjanje v ogromnih paketih scenarijev.
If a world model can generate realistic variations of the failure, engineers can iterate faster. It can also help answer questions like:	Če lahko svetovni model ustvari realistične različice odpovedi, lahko inženirji hitreje izvajajo iteracije. Pomaga lahko tudi pri odgovorih na vprašanja, kot so:
“Is this behavior safe across a distribution, or was it lucky in one log?”	"Ali je to vedenje varno v celotni distribuciji ali je bilo v enem dnevniku srečno?"
“How sensitive is the system to pedestrian hesitation?”	"Kako občutljiv je sistem na oklevanje pešcev?"
“What is the worst-case outcome if another driver behaves aggressively?”	"Kakšen je najslabši možni izid, če se drug voznik obnaša agresivno?"
Faster iteration is not a guarantee of safety — but it can improve the feedback loop.	Hitrejša iteracija ni zagotovilo za varnost, lahko pa izboljša povratno zanko.
The big open questions
Even if the world model is excellent, there are hard limits:	Tudi če je svetovni model odličen, obstajajo trdne omejitve:
Accountability
: Can you explain why the system predicted a given future?	Ali lahko pojasnite, zakaj je sistem napovedal določeno prihodnost?
Validation
: How do you certify a learned simulator as representative?	Kako certificirate naučeni simulator kot reprezentativen?
Edge cases
: How do you ensure rare but critical scenarios are covered?	Kako zagotovite, da so zajeti redki, a kritični scenariji?
Policy robustness
: Does a policy trained in the model behave safely in reality?	Ali se politika, usposobljena v modelu, v resnici obnaša varno?
This is where regulators and safety cases come in. Autonomous vehicles will need arguments that connect training and testing methods to real-world risk.	Tukaj pridejo na vrsto regulatorji in varnostni argumenti. Avtonomna vozila bodo potrebovala argumente, ki bodo metode usposabljanja in testiranja povezali s tveganjem v resničnem svetu.
Bottom line
A high-fidelity world model is a powerful tool for autonomy because it turns driving from “learn only from what happened” into “learn from what could happen.” If Waymo can use a Genie 3–style system to generate realistic future road scenes, it could accelerate training, scenario testing, and safety evaluation — but the hard part remains proving that the simulated world is faithful enough that improvements carry over to real streets.	Visoko zvest model sveta je močno orodje za avtonomijo, saj vožnjo iz »učenja le iz tega, kar se je zgodilo« spremeni v »učenja iz tega, kar se lahko zgodi«. Če lahko Waymo uporabi sistem v slogu Genie 3 za ustvarjanje realističnih prihodnjih cestnih prizorov, bi lahko pospešil usposabljanje, testiranje scenarijev in ocenjevanje varnosti – vendar ostaja težki del dokazovanje, da je simulirani svet dovolj zvest, da se izboljšave prenesejo na resnične ulice.
Sources
https://arstechnica.com/google/2026/02/waymo-leverages-genie-3-to-create-a-world-model-for-self-driving-cars/	https://arstechnica.com/google/2026/02/waymo-leverages-genie-3-to-create-a-world-model-for-self-driving-cars/
https://waymo.com/safety/
https://en.wikipedia.org/wiki/World_model	https://en.wikipedia.org/wiki/Svetovni_model
https://en.wikipedia.org/wiki/Autonomous_car	https://en.wikipedia.org/wiki/Avtonomous_car
https://en.wikipedia.org/wiki/Simultaneous_localization_and_mapping	https://en.wikipedia.org/wiki/Simultaneous_localization_and_mapping
←
Previous Post
→ Sixteen AI agents built a C compiler together — why that matters (and what it doesn’t mean yet)	→ Šestnajst agentov umetne inteligence je skupaj zgradilo prevajalnik C – zakaj je to pomembno (in kaj to še ne pomeni)
Copyright © 2026 Rill.blog	Avtorske pravice © 2026 Rill.blog
oEmbed (JSON)
oEmbed (XML)
JSON
View all posts by Abdul Jabbar	Oglejte si vse objave avtorja Abdul Jabbar
Sixteen AI agents built a C compiler together — why that matters (and what it doesn't mean yet)	Šestnajst agentov umetne inteligence je skupaj zgradilo prevajalnik C – zakaj je to pomembno (in kaj to še ne pomeni)
Waymo is reportedly using a Genie 3-style system to build a world model for autonomous driving. Here’s what world models are, why simulation matters, and the remaining safety gaps.	Waymo naj bi uporabljal sistem, podoben Genie 3, za izgradnjo svetovnega modela za avtonomno vožnjo. Tukaj je opisano, kaj so svetovni modeli, zakaj je simulacija pomembna in kakšne so preostale varnostne vrzeli.

Document Title

Waymo and the rise of “world models” for driving: what a Genie-style simulator changes

Waymo is reportedly using a Genie 3-style system to build a world model for autonomous driving. Here’s what world models are, why simulation matters, and the remaining safety gaps.

Title Attribute

oEmbed (JSON)

oEmbed (XML)

JSON

View all posts by Abdul Jabbar

Sixteen AI agents built a C compiler together — why that matters (and what it doesn't mean yet)

Page Content

Waymo and the rise of “world models” for driving: what a Genie-style simulator changes

Blog

General

/ By

Abdul Jabbar

Self-driving systems live and die by one question:

what happens next?

Sensors tell an autonomous vehicle what the world looks like right now — camera frames, lidar point clouds, radar reflections, GPS and IMU measurements. But safe driving is anticipation: predicting how pedestrians might move, whether a cyclist will merge, how a car might drift over a lane line, and what an occluded intersection might reveal.

That’s where the idea of a

world model

comes in. A world model is a learned representation of “how the world works” that can be rolled forward in time: given the current scene and an action, it can generate plausible future scenes. In robotics and autonomy, the dream is to have a model that can simulate reality well enough to train and validate policies before they ever touch public roads.

Reports that Waymo is leveraging a

Genie 3

–style approach to create a world model for driving are a big deal — not because it magically solves autonomy, but because it signals a shift in what the industry thinks is the bottleneck.

Driving autonomy is two problems: perception and prediction

Early conversations about self-driving focused on perception: “Can the car see?” That includes detecting objects, classifying them, estimating their position and velocity, and tracking them over time.

Today, the frontier is increasingly prediction and planning:

Prediction

: forecasting the future trajectories of other agents (cars, bikes, pedestrians).

Planning

: choosing the vehicle’s own trajectory to be safe, legal, and comfortable.

Perception errors are still important, but even perfect perception doesn’t give you certainty about intent. A pedestrian at a curb might step out. A driver might run a red light. A cyclist might wobble.

A world model aims to encode those uncertainties so the planner can reason about them.

What is a “world model” in ML terms?

In machine learning, a world model is typically a generative model trained on large volumes of experience. It can:

Represent the latent state of the environment.

Predict how the state evolves.

Generate observations consistent with that evolution.

For driving, the observations are multi-modal: images, lidar, maps, and semantic labels.

The core value is that, once trained, you can

sample futures

and stress-test decisions. Instead of asking “what is the one predicted path,” you ask “what are the plausible paths, and which ones are dangerous?”

Why simulation is central (and why it’s so hard)

Waymo and others already rely heavily on simulation. The problem is fidelity.

Traditional simulators are built from:

Hand-authored physics and vehicle dynamics.

Scene assets (roads, buildings, traffic lights).

Scripted “actors” that follow rules.

These are great for many tests, but the long tail of reality is brutal: odd pedestrian behavior, unusual lighting, construction zones, rare signage, local driving cultures, weather edge cases, sensor glitches, and the million subtle interactions that never show up in a tidy rule set.

A learned world model is attractive because it can capture messy distributions directly from data. If you have enough real driving logs, you can train a model to generate scenes that “feel” like the road — including the weirdness.

But “feels real” is not enough for safety. Driving is adversarial: if your model misses even a small set of rare but deadly scenarios, the system can still fail.

What a Genie-style approach suggests

A Genie-style system (as reported) implies a model that can generate plausible future frames conditioned on actions and context.

If Waymo can generate high-fidelity “next frames” for complex urban scenes, it can potentially:

Create

counterfactuals

: “What if we had slowed earlier?” “What if we took the left gap?”

Increase

rare-event coverage

: oversample uncommon situations for training.

Improve

closed-loop training

: train a policy inside the simulated world, not just on logged data.

This is a step beyond “replaying recorded logs.” It’s like moving from watching driving videos to having a sandbox where the sandbox itself behaves like a city.

The safety catch: model errors compound

There’s a reason safety teams are cautious about learned simulators: small errors compound over time.

If a world model is slightly wrong about:

How pedestrians accelerate,

How cars respond to braking,

How sensors behave under glare,

then a simulated rollout can drift away from reality after a few seconds. That can produce training signals that optimize for the simulator’s quirks rather than the real world — a problem sometimes called

sim-to-real gap

Modern approaches mitigate this with:

Short-horizon rollouts combined with real logs.

Domain randomization (adding noise and variation).

Validation against held-out real scenarios.

Safety constraints that don’t rely purely on learned predictions.

A world model can be incredibly useful even if it’s not “perfect reality,” as long as you know where it’s reliable and where it’s not.

World models and maps: the structure under the pixels

A self-driving car isn’t only reacting to images. It also relies on structure:

HD maps (lane geometry, traffic control devices).

Localization (where am I on the map?).

SLAM-like components in some systems (especially outside mapped regions).

A strong world model has to integrate that structure. Otherwise it becomes a fancy video generator that can’t maintain consistent geometry.

This is why autonomy world models often blend:

Learned perception features,

Explicit geometry constraints,

Map priors,

Agent-based representations (other road users as entities with intentions).

The best systems are hybrid: they use learning where data is rich and rules where constraints are strict.

What changes for product development

The most practical impact of a good world model is

engineering velocity

Today, improving an autonomous driving stack often requires:

Finding real-world failures (disengagements, near misses).

Adding data and labels.

Tuning prediction/planning.

Revalidating across huge scenario suites.

If a world model can generate realistic variations of the failure, engineers can iterate faster. It can also help answer questions like:

“Is this behavior safe across a distribution, or was it lucky in one log?”

“How sensitive is the system to pedestrian hesitation?”

“What is the worst-case outcome if another driver behaves aggressively?”

Faster iteration is not a guarantee of safety — but it can improve the feedback loop.

The big open questions

Even if the world model is excellent, there are hard limits:

Accountability

: Can you explain why the system predicted a given future?

Validation

: How do you certify a learned simulator as representative?

Edge cases

: How do you ensure rare but critical scenarios are covered?

Policy robustness

: Does a policy trained in the model behave safely in reality?

This is where regulators and safety cases come in. Autonomous vehicles will need arguments that connect training and testing methods to real-world risk.

Bottom line

A high-fidelity world model is a powerful tool for autonomy because it turns driving from “learn only from what happened” into “learn from what could happen.” If Waymo can use a Genie 3–style system to generate realistic future road scenes, it could accelerate training, scenario testing, and safety evaluation — but the hard part remains proving that the simulated world is faithful enough that improvements carry over to real streets.

Sources

https://arstechnica.com/google/2026/02/waymo-leverages-genie-3-to-create-a-world-model-for-self-driving-cars/

https://waymo.com/safety/

https://en.wikipedia.org/wiki/World_model

https://en.wikipedia.org/wiki/Autonomous_car

https://en.wikipedia.org/wiki/Simultaneous_localization_and_mapping

←

→ Sixteen AI agents built a C compiler together — why that matters (and what it doesn’t mean yet)

oEmbed (JSON)

oEmbed (XML)

JSON

View all posts by Abdul Jabbar

Sixteen AI agents built a C compiler together — why that matters (and what it doesn't mean yet)

Waymo is reportedly using a Genie 3-style system to build a world model for autonomous driving. Here’s what world models are, why simulation matters, and the remaining safety gaps.

Document Title
Page not found - Rill.blog	Strani ni bilo mogoče najti - Rill.blog
Image Alt
Rill.blog
Title Attribute
Rill.blog » Feed
RSD
Skip to content
Placeholder Attribute
Search...
Email address
Page Content
Page not found - Rill.blog	Strani ni bilo mogoče najti - Rill.blog
Skip to content
Home
Read Now
Urdu Novels
Mukhtasar Kahanian
Urdu Columns
Main Menu
This page doesn't seem to exist.	Zdi se, da ta stran ne obstaja.
It looks like the link pointing here was faulty. Maybe try searching?	Zdi se, da je bila povezava, ki je vodila sem, napačna. Morda poskusite z iskanjem?
Search for:
Search
Get all the latest news and info sent to your inbox.	Prejemajte vse najnovejše novice in informacije v svoj nabiralnik.
Please enable JavaScript in your browser to complete this form.	Za izpolnitev tega obrazca omogočite JavaScript v svojem brskalniku.
Email
*
Subscribe
Categories
Copyright © 2025 Rill.blog	Avtorske pravice © 2025 Rill.blog
English
العربية
Čeština
Dansk
Nederlands
Eesti
Suomi
Français
Deutsch
Ελληνικά
Magyar
Bahasa Indonesia
Italiano
日本語
한국어
Latviešu valoda
Lietuvių kalba
Norsk bokmål
Polski
Português
Română
Русский
Slovenčina
Slovenščina
Español
Svenska
ไทย
Türkçe
Українська
Tiếng Việt
Notifications
Rill.blog
Rill.blog » Feed
RSD
Search...
Email address

Document Title

Page not found - Rill.blog

Image Alt

Rill.blog

Title Attribute

Rill.blog » Feed

RSD

Placeholder Attribute

Search...

Email address

Page Content

Page not found - Rill.blog

Home

Read Now

Urdu Novels

Mukhtasar Kahanian

Urdu Columns

Main Menu

This page doesn't seem to exist.

It looks like the link pointing here was faulty. Maybe try searching?

Search for:

Get all the latest news and info sent to your inbox.

Please enable JavaScript in your browser to complete this form.